基于支持向量机和粒子群算法的结构损伤识别

为了有效地进行结构的损伤识别,提出了一种基于支持向量机和粒子群算法的结构损伤识别方法。首先利用支持向量机为损伤裂缝指标、损伤位置与各阶频率和一阶振型建立函数关系,然后将利用该函数关系得到的频率和振型与实测频率和振型间的差异作为优化目标,进而实现结构的损伤识别。为提高损伤识别的精度,将优化目标转化为多目标优化问题,并利用所提出的灰色粒子群算法进行求解。实验结果表明,该方法在结构损伤识别中具有较好的效果。     

采用GWO优化SVM的燃气轮机气路故障诊断

将灰狼优化算法和支持向量机算法作为理论指导,并采用灰狼优化算法对支持向量机算法进行优化,以实现燃气轮机故障类型的分类。将灰狼优化算法与遗传算法优化支持向量机方法和粒子群算法优化支持向量机方法进行对比,结果表明,通过灰狼算法优化支持向量机的方法对燃气轮机故障分类的准确率要高于遗传算法优化支持向量机算法和粒子群算法优化支持向量机的故障分类方法。     

粒子群与遗传算法优化支持向量机的应用

为了提高参数优化精度,研究将粒子群算法与支持向量机相结合,建立基于粒子群算法的支持向量机复杂过程系统稳态模型。在此基础上,为解决粒子群算法容易出现早熟收敛、搜索精度不高、在迭代的后期效率低、容易陷入局部极优点等问题,提出了引入遗传算法的改进粒子群算法。通过利用改进后的粒子群算法对支持向量机参数进行优化,并应用到青霉素发酵这一复杂工业系统。仿真结果表明,改进算法提高了工业产量,实现了对系统结果的优化。     

量子粒子群算法在结构模态参数识别中的应用

量子粒子群算法作为粒子群算法的改进,具有参数少、好编程、易收敛等优势而备受关注.通过将由结构输入、输出数据计算而得的实测频响函数与包含所需识别的结构模态参数的理论频响函数之差最小化作为优化目标,经过对理论频响函数中的结构模态参数搜索取值而使目标函数最小,此过程将结构模态参数识别问题转化为优化问题.采用量子粒子群算法进行优化而得到结构模态参数.为验证该方法的有效性,对一数值模拟的三层混凝土框架结构进行分析,结果表明,量子粒子群可以有效地识别结构模态参数.     

优化SVM在锅炉负荷预测中的应用

提出智能优化支持向量机算法来提高模型的预测能力和泛化能力。该算法针对支持向量机噪声敏感问题采用小波方法对数据集去噪;利用核主成分分析方法提取数据特征;采用量子粒子群算法优化支持向量机超参数。将该优化算法应用于锅炉负荷短期预测,实验结果表明,该优化算法预测精度较高,收敛速度较快,泛化性能优于其他预测方法,且工程实现容易。     

基于子带谱熵法和PSO-GA-SVM的汽车鸣笛识别

针对鸣笛抓拍系统会产生误判的问题,提出了一种基于子带谱熵法和支持向量机的汽车鸣笛识别算法. 首先,使用子带谱熵法对声音样本进行初判,将子带谱熵高于阈值的样本直接判定为非鸣笛样本. 然后,对初判为鸣笛的样本中的疑似鸣笛部分进行分割,并提取Mel频率倒谱系数作为声音的特征. 最后,使用支持向量机对分割结果进行进一步分类,并使用粒子群算法与遗传算法的融合来优化支持向量机的参数. 仿真结果表明,该算法具有较好的鲁棒性. 在对实际采集样本的鸣笛识别中,该算法也取得了较高的准确率.     

基于PSO算法和SVR模型的加工中心可靠性模型参数估计

针对加工中心可靠性模型,提出了一种基于支持向量回归模型的参数估计方法,并利用改进的局部最优粒子群优化算法对支持向量回归模型的参数进行优化,以提高其对可靠性模型参数的估计精度。与标准的局部最优粒子群优化算法比较,改进的局部最优粒子群优化算法引入了变异操作和自适应调节惯性因子,提高了算法的全局最优解搜索能力。将提出的方法与最小二乘法、最大似然估计法、局部最优粒子群优化算法优化的支持向量回归模型和遗传算法优化的支持向量回归模型进行了对比试验。试验结果表明:该方法的参数估计精度高于最小二乘法、最大似然估计法、局部最优粒子群优化算法优化的支持向量回归模型和遗传算法优化的支持向量回归模型。最后,将该方法用于估计实际加工中心可靠性模型的参数,得出了相应的平均故障间隔时间的评估数值。     

基于PSO-SVM模型的城轨列车轮对尺寸预测

为了及时掌握轮对尺寸信息,从而保证列车正常运行,提出了建立粒子群优化支持向量机模型对轮对尺寸进行预测的方法.介绍了粒子群优化算法(PSO)及支持向量机(SVM)的相关概念,并利用粒子群优化算法能够实现快速全局优化的特点对支持向量机进行参数优化,解决了支持向量机参数选择盲目性的问题.以某城轨列车轮径值为研究对象,建立基于PSO-SVM的轮对尺寸预测模型,对轮径值进行预测分析.结果表明,轮径值预测相关度达到0.94,证实了建立的预测模型在轮对尺寸预测方面的可行性及有效性.     

改进PSO-SVM在说话人识别中的应用

为了加快粒子群优化算法的收敛速度,增强全局的搜索能力,通过对粒子群优化算法中惯性权重和全局最优值的分析,提出了一种根据迭代次数而自适应变化的惯性权重的粒子群优化方法。改进后的粒子群算法在防止陷入局部最优的能力方面有了明显的增强,同时,给出了应用粒子群优化算法训练支持向量机的方法,并将其应用于说话人识别。实验结果证实了在说话人识别中改进PSO-SVM方法比其他传统方法能获得更好的识别精度和识别速度。     

电力系统中长期负荷预测改进算法分析

讨论了基于支持向量机的电力系统负荷预测模型建模方法.通过对模型结构的分析,提出了最小二乘支持向量机算法学习参数的选取方法.结合粒子群优化算法,给出了粒子群优化对最小二乘支持向量机系数优化选择的方法.采用某省的经济、人口、天气和电价等实证数据对几种预测方法进行比较分析,算例结果表明,所提出的方法可以加快计算速度,并有效提高预测精度.     

基于相关向量机和模糊综合评价的路况预测模型

为了缓解交通拥堵、道路服务水平低、市民出行效率低等问题,提出基于相关向量机和模糊综合评价的路况预测模型. 利用遗传算法和粒子群算法作为参数寻优算法,优化组合核相关向量机. 基于Spark并行化参数寻优算法,提高模型的训练效率. 提出基于Spark并行化的遗传算法和粒子群算法,优化组合核相关向量机（SPGAPSO-CKRVM）. 使用SPGAPSO-CKRVM对车流量和车速进行预测,利用预测结果计算3个交通路况评价参数：平均车速、路段饱和度和交通流密度. 将3个参数输入到模糊综合评价模型中,通过熵值法确定高峰时段和平常时段的各指标权重系数,将路况划分为6个等级. 使用加拿大Whitemud Drive公路的真实数据进行验证,证明了该模型与传统方法相比具有更高的预测精度和扩展性,路况预测准确率达到90.28%.     

基于PSO-PF算法的SVM识别方法 及其在异常声音中的应用

针对异常声音识别率低和算法复杂度高等技术难题,提出了一种基于粒子群优化粒子滤波（PSO-PF）算法优化支持向量机（SVM）的识别方法.将PSO算法引入粒子滤波中,通过不断更新粒子速度和位置,使粒子群向高似然后验概率区域移动,提高粒子滤波的参数估计精度.将PSO-PF算法应用于SVM参数优化中,可解决现有SVM参数优化算法易陷入局部最优值等问题.实验结果表明,将所提方法应用于多类异常声音识别,能够有效提高识别率,降低算法复杂度.     

基于支持向量机和误差修正算法的风电短期功率预测

基于风电功率预测单一算法带来的预测精度较低问题,提出一种新型的基于粒子群优化支持向量机结合误差修正算法的短期风电功率预测组合算法。该方法首先对原始数据进行分析和清洗;然后通过粒子群算法对支持向量机参数进行寻优,对风电功率进行一次预测,通过经验模态算法对一次预测进行滤波,达到降噪效果,同时得到一次预测误差;最后,利用误差修正算法对一次预测误差进行修正,得到最终的预测值。仿真和测试结果表明,相较于传统的单一算法,该组合算法能更好地提高预测精度。     

基于GWO-SVM的下肢假肢穿戴者骑行相位识别

针对下肢假肢穿戴者骑行相位识别的问题,提出基于灰狼算法优化的支持向量机(GWO-SVM)分类模型. 建立下肢多源信息系统,采集膝关节、踝关节的加速度信号以及膝关节角度信号. 应用奇异值分解,对采集到的信号进行降噪处理. 在对信号进行降噪处理之后,为了避免单一信号不确定的影响,从数据冗余角度,选取各信号的特征点,开展归一化处理,组成多维特征向量,作为SVM分类模型的输入. 为了能够进一步提高分类精度,加强全局优化能力,利用GWO算法对核参数进行优化. 通过与PSO-SVM分类模型、GA-SVM分类模型对比表明,基于GWO优化的SVM分类模型对骑行相位的识别率为94%,高于其他方法优化的SVM分类模型.     

A new support vector machine optimized by improved particle swarm optimization and its application

A new support vector machine （SVM） optimized by an improved particle swarm optimization （PSO） combined with simulated annealing algorithm （SA） was proposed. By incorporating with the simulated annealing method, the global searching capacity of the particle swarm optimization（SAPSO） was enchanced, and the searching capacity of the particle swarm optimization was studied. Then, the improyed particle swarm optimization algorithm was used to optimize the parameters of SVM （c,σ and ε）. Based on the operational data provided by a regional power grid in north China, the method was used in the actual short term load forecasting. The results show that compared to the PSO-SVM and the traditional SVM, the average time of the proposed method in the experimental process reduces by 11.6 s and 31.1 s, and the precision of the proposed method increases by 1.24% and 3.18%, respectively. So, the improved method is better than the PSO-SVM and the traditional SVM.     

基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.     

改进的离散PSO和SVM的特征基因选择算法

针对现有的基于粒子群的特征基因选择算法易于陷入局部最优的问题,提出了一种改进的离散粒子群和支持向量机的特征基因选择算法IDPSO-SVM.该算法首先预选一些与分类强相关的基因组成特征基因备选集合,然后基于此集合采用PSO进行寻优搜索,并应用SVM对选出的特征子集的分类能力进行评估,最后得出最优特征子集.该算法加入了一种可以有效克服粒子群在寻优过程中陷入局部最优的机制,因而可以不断探测到新的最优解.该算法在结肠癌与前列腺癌数据集上的分类精度分别达到了96.8%与99.0%,从而证明了其有效性与可行性.